產業拚AI化 從決策端找到人才管理、轉型切入點

10:222021/01/21 中時新聞網 EnglishCareer

在花蓮立霧溪河床種西瓜，河床如此寬廣，要如何估算產量？用人工智慧（AI）就能解決了。AI能夠有效增進工作的效率，近幾年企業在進行數位轉型時，常常把AI在工作情境的應用納入考慮，包括改善工作流程，或推出新的服務等，因而企業內部的工作者，就需要對「如何與AI共事」有一定了解，也產生了學習AI，培育AI人才的需求。

愈能抓到規律的工作愈適合AI

學習AI之前要了解如何看待AI，財團法人資訊工業策進會數位教育研究所主任張育誠認為，工作流程愈容易抓出邏輯的工作愈容易被AI取代，但也不用太過擔心，因為還是要有人負責訓練、設定AI，因此雖然舊的工作可能消失，也會有新形態的工作產生，端看職場工作者怎麼應變與學習。

張育誠分享，人工智慧的概念其實就是把原本由人進行判斷的事情，改由AI判斷，因此在各行各業的應用範圍相當廣，舉凡晶片晶圓的瑕疵判斷、衛生紙製造時品質的檢測、溪口河床種植西瓜產量的計算、無人收費停車場對車牌的辨識、人臉辨識門禁系統，即時翻譯機等都屬此類。

人工智慧能夠幫助提高工作效率，但不代表它不會犯錯，重要事項的最終判斷還是應該由人做決定。像醫院裡對病人病況的診斷，透過AI可以協助醫師初步了解病情，但最終的診斷，還是要由醫師決定。另外，較無例行流程、需要個案判斷的工作如律師等，則較不須擔心工作被AI取代。

再者，人工智慧要判斷、要學習都需要有其依據，因此作為AI判斷與學習依據的「大數據（BigData）」，以及能夠用來蒐集數據的「物聯網（IOT）」概念也常常被並列提到。

張育誠就曾協助花蓮的西瓜農，以空拍方式評估立霧溪溪床西瓜產量，但西瓜生長不會每個長一樣，有的倒右邊，有的倒左邊，加上溪床上還有許多的石頭，AI要怎麼透過空拍影像辨識西瓜數量？「這就要餵給AI大量的影像，讓它能找到規律學習，分辨哪些是西瓜，哪些是石頭。」

想要學習AI，應該如何下手呢？張育誠指出，對主導決策的管理階層來說，可就目前市面已提供的服務先行了解、體驗，再選擇有興趣的主題參加AI相關的研討會，根據不同專家學者的分享與討論，決定公司要不要出資購買相關設備以推動該項目。

而資訊部門等AI化執行單位則可以參加相關應用的工作坊或課程，提高相關技能的實戰力，將AI技術應用於工作流程優化，或是知道如何和外部的AI服務團隊合作。至於一般職員，則只要知道如何操作，以及會有怎樣的效果就好。

比如衛生紙的生產線可能要等到出漿後，紙漿乾燥了才能人工判斷品質；透過AI的檢測，可能在前期出漿、紙漿還沒乾時就能判讀品質，提高整體效率。產線作業員需要確保優化後產線的運作；而內部AI化執行單位或外部AI服務單位則要知道背後的邏輯，透過哪些數據可做可能的判斷、如何蒐集數據等。因此以AI技能的學習需求來說，以產業AI化的執行單位以及想從事AI服務工作的企業或人才需求最大。

產業AI化相關人才需求大

看中產業AI化的相關人才需求趨勢，財團法人科技生態發展公益基金會與台灣資料科學協會共同設立台灣人工智慧學校，以「做中學」的方式培育各行各業AI化所需的技術領袖人才，自2018年初至2019年10月，已培育來自1500家公司、超過5500位的AI專業工程師與經理人。

張育誠說，資策會的課程則是提供適性化的就業養成教育，根據學員的需求，在前期基礎領域的共同學習後，透過專案導向的課程，讓學員發展自己想走的領域。「我們現在儘量找企業合作，由企業提出想解決的問題，讓學生解題。」透過這樣的方式，讓學員銜接產業需求的差距縮到最短。

舉例來說，資策會2018年與以機票線上訂位系統為服務項目的先啟資訊合作，由學員在專案課中開發「機加酒訂票網站」。題目是先啟資訊出的，因此先啟資訊過程中也會派專案經理人了解進度，並在結訓時主動邀請全台各大旅遊業者辦理人才媒合會，為參與專案的17位學員媒合工作，正好補充各大旅行社缺乏的旅遊資訊人才。

另外，學習資料分析較常用到的Python程式語言，網路上就可找到許多自學管道可以學習，因此張育誠認為，想要學AI也可以自學。不過自學者因為較不了解業界實際的需求，學到一個階段就會覺得自己「功夫」夠了，但實際上可能和業界的需求還有一段差距，他也提醒自學者注意。

資料來源：https://www.chinatimes.com/realtimenews/20210121001919-260412?fbclid=IwAR0QQ5gnXECO4NOuBC64S-3KMlXc6-O7q3pR-ZPrDnZCXoAr9NUO84luhiQ&chdtv

該課程由 App Brewery 的首席講師講授，這是倫敦領先的實體程式設計訓練營搬到線上課程，教材跟實體課程( 價值 12000 美元 ) 一樣
✅ 在本課程中，你將學習到谷歌、亞馬遜或者 Netflix 的資料科學家所使用的最新工具和技術。
✅ 這個課程沒有偷工減料，有美麗的動畫解釋視訊和實戰的專案構成。
✅ 該課程是與業內專業人士、研究人員以及學生測試和反饋共同制定的，歷時三年。
✅到目前為止，我們已經教授了超過 20 萬名學生如何程式設計，其中許多人已經通過課程在這個行業找到工作或者開始自己的技術創業來改變他們的生活。
✅ 由註冊本課程，你可以為自己節省超過 12000 美元，卻又可以獲得相同的教學材料，並且可以像親身參與我們的程式設計訓練營一樣，跟著相同的教師和課程學習。
從這 41 小時的課程，你會學到
✅通過實際專案學會如何使用 Python 程式設計
✅使用資料科學演算法來分析實戰專案中的資料，如垃圾郵件分類和影像識別
✅建立一個資料科學專案履歷組合，到業界申請工作
✅瞭解如何使用最新的資料科學工具，包括 Tensorflow、 Matplotlib、 Numpy 等等
✅建立你自己的神經網路，並瞭解如何運用它們執行深度學習( deep learning )

https://softnshare.com/python-data-science-machine-learning-bootcamp/

✅ 課程說明

成為一個完整的資料科學家和機器學習工程師！ 加入一個由20多萬名工程師組成的線上社群，參加一個由行業專家教授的課程，這些專家實際上為矽谷和多倫多等地的大公司工作過。 這是一個剛剛在 2020年 1 月推出的全新機器學習和資料科學課程！ Andrei 課程的畢業生現在在谷歌、特斯拉、亞馬遜、蘋果、 IBM、 JP 摩根、 Facebook 等頂級科技公司工作。

從頭開始學習資料科學和機器學習，得到聘用，並在 Udemy 的最現代、最新的資料科學課程(我們使用最新版本的 Python、Tensorflow 2.0 和其他程式庫)的道路上享受樂趣。 本課程的重點在於提高效率: 不要再花時間在令人困惑的、過時的、不完整的機器學習教程上了。 我們非常自信，這是你找遍任何地方才能找到的最全面、最現代的課程(我們知道，這是一個大膽的陳述)。

這個綜合性的、基於專案的課程將向你介紹資料科學家的所有現代技能，在這個過程中，我們將建立許多真實世界的專案，新增到你的履歷組合中。 你可以訪問 Github 上的所有程式碼、工作簿和模板( Jupyter Notebooks ) ，這樣你就可以馬上把它們放到你的作品集中了！ 我們相信這門課程解決了進入資料科學和機器學習領域的最大挑戰: 在一個地方擁有所有必要的資源，並學習僱主想要的最新趨勢和工作技能。

課程將是非常實際的，因為我們將帶領你從頭到尾成為一名專業的機器學習和資料科學工程師。 課程提供兩個路徑。 如果你已經知道程式設計，那麼你可以直接進入並跳過我們從頭教你 Python 的部分。 如果你是全新的，我們將從一開始就教你 Python 以及如何在現實世界中使用它來完成我們的專案。 不要擔心，一旦我們通過了像機器學習 101 和 Python 這樣的基礎知識，我們就可以進入高階主題，像神經網路、深度學習和轉移學習，這樣你將能夠在真實世界中實踐，並為實戰做好準備(我們向你展示完全成熟的資料科學和機器學習專案，並給你程式設計資源和備忘錄) ！

本課程的主題包括 :

✅ 資料探索與視覺化
✅ 神經網路和深度學習
✅ 模型評估與分析
✅ Python 3
✅ Tensorflow 2.0
✅ Numpy
✅ Scikit-Learn
✅ 資料科學與機器學習專案和工作流程
✅ 在 Python 用 MatPlotLib 和 Seaborn 做資料視覺化
✅ 轉移學習( Transfer Learning )
✅ 影像辨識和分類
✅ 訓練/測試並交叉驗證
✅ 監督學習 : 分類、迴歸和時間序列
✅ 決策樹和隨機森林
✅ 整體學習( Ensemble Learning )
✅ 調整超參數( Hyperparameter Tuning )
✅ 採用 Pandas 資料框解決複雜任務
✅ 採用 Pandas 處理 CSV 檔
✅ 採用 TensorFlow 2.0 和 Keras深度學習 / 神經網路
✅ 使用 Kaggle 並進入機器學習競賽
✅ 如何呈現你的發現並讓你的老闆印象深刻
✅ 如何為你的分析清理並準備你的資料
✅ K 最近鄰( K Nearest Neighbours )
✅ 支援向量機( Vector Machines )
✅ 迴歸分析( Linear Regression/Polynomial Regression )
✅ 如何運用 Hadoop、Apache Spark、Kafka 和 Apache Flink
✅ 如何用 Conda、MiniConda 和Jupyter Notebooks 設定你的環境
✅ 配合 Google Colab 採用 GPUs

到本課程結束時，你將成為一名完整的資料科學家，可以在大公司找到工作。 我們將利用我們在課程中學到的一切來建構專業的真實世界專案，比如心臟病檢測、推土機價格預測器、犬種影像分類器等等。 到最後，你將有許多你已經建立的專案向其他人炫耀。

事實是: 大多數課程都教你資料科學，而且就只這樣。 他們會告訴你如何開始。 但問題是，你不知道接下來要往哪去，也不知道如何建立自己的專案。 或者他們會在螢幕上顯示大量的程式碼和複雜的數學運算，但是他們並沒能好好地解釋清楚到你能夠自己去解決現實生活機器學習問題的程度。

無論你是程式設計新手，還是想提高你的資料科學技能，或者來自不同的行業，這門課程都是為你而設的。 這個課程不是讓你在沒有理解原則的情況下編寫程式碼，這樣當你完成這個課程的時候，除了看另一個教學，你不知道還能做什麼。 不！ 這門課程將推動你且向你挑戰，從一個完全沒有資料科學經驗的初學者，到成為一個可以滿載離開、忘記 Daniel 和 Andrei、建立自己的資料科學和機器學習工作流程的人。

機器學習在商業行銷和金融、醫療保健、網路安全、零售、運輸和物流、農業、物聯網、遊戲和娛樂、病人診斷、詐欺檢測、製造業的異常檢測、政府、學術 / 研究、推薦系統等等方面都有應用。 在這門課程中學到的技能將為你的職業生涯提供許許多多的選擇。

你聽到許多像人工神經網路或人工智慧等敘述，完成本課程，你將對這些詞有深刻的了解。

現在就加入課程，加入我們社群，在這個行業獲得支持，學習資料科學和機器學習。 我們保證這比任何關於這個話題的訓練營或者線上課程都要好。 課堂內見！

https://softnshare.com/complete-machine-learning-and-data-science-zero-to-mastery/

現在學習知識的渠道越來越多，無論對於零基礎或是有經驗的工程師，想要持續成長應該看書還是看影片來的更有效率呢？

主要會和你分享我過去從新手到資深的過程中，如何持續保持進步及學習的經驗

也許這個經驗可以幫助到你，也歡迎留言和我分享你的看法

相信彼此分享不同的學習見解，能讓對於想要更精進自己程式開發功力的人有很大的幫助

===章節===
00:00 哪一個有效律?
00:36 寫程式如同寫作
05:14 書是最便宜的資源
10:14 折扣碼操作示範

===蝦皮購書折扣碼===
折扣碼：FLAGNIC36
時間：2021-03-29 ~ 2021-06-29

折扣碼：FLAGNIC79
時間：2021-06-30 ~ 2021-09-30

折扣碼： FLAGNIC11
時間：2021-10-01~ 2021-12-31

===前陣子在看的推薦書單===
（零基礎）
- 白話演算法！培養程式設計的邏輯思考
- Python 刷提鍛鍊班

（中高階）
- 設計模式之禪(第2版)
- 無瑕的程式碼－整潔的軟體設計與架構篇
- 單元測試的藝術
- 演算法之美：隱藏在資料結構背後的原理(C++版)
- Kent Beck的實作模式

（Ruby）
- Writing Efficient Ruby Code

（成長思考）
- 圖解．實戰 麥肯錫式的思考框架：讓大腦置入邏輯，就能讓90%的困難都有解！
- 師父：那些我在課堂外學會的本事
- 高勝算決策：如何在面對決定時，降低失誤，每次出手成功率都比對手高?
- 窮查理的普通常識
- 懶人圖解簡報術：把複雜知識變成一看就秒懂的圖解懶人包
- 寫作，是最好的自我投資

喜歡影片的話！可以幫忙點個喜歡以及分享、訂閱唷！😘

━━━━━━━━━━━━━━━━
🎬 觀看我的生活廢片頻道: https://bit.ly/2Ldfp1B
⭐ instagram (生活日常): https://www.instagram.com/niclin_tw/
⭐ Facebook (資訊分享): https://www.facebook.com/niclin.dev
⭐ Blog (技術筆記): https://blog.niclin.tw
⭐ Linkedin (個人履歷): https://www.linkedin.com/in/nic-lin
⭐ 蝦皮賣場: https://shopee.tw/bboyceo
⭐ Github: https://github.com/niclin
⭐ Podcast: https://anchor.fm/niclin
━━━━━━━━━━━━━━━━
✉️ 合作邀約信箱: niclin0226@gmail.com

#寫程式 #前端 #後端